论文部分内容阅读
人类阅读载体由纸质载体向电子化的方向转化以及电子辅助阅读工具的出现将是人类未来阅读发展方向的必然。现有的大部分研究基本都是外文图像的分析,国内对于图像版面分析和理解技术的起步较晚,对于中文汉字图像的研究还较少,此外目前算法普遍存在的分割精度不高,算法速度较慢的情况。对于图像中的表格等版面内对象的识别率也较低。在版面理解过程中排版的主观性影响很大,导致理解处理后的逻辑关系混乱,对于复杂版面的版面理解也是一直是一个棘手的问题。仍然需要大量的研究提高目前版面处理算法的准确度和处理性能。 针对上述版面处理技术的状况,本文首先简要介绍了目前较为常用的文档处理技术。在文档版面分析部分,归纳总结了目前所需要解决的问题。并在此基础上提出了一种改进的基于连通域的版面分割算法。该算法从文档图像版面的整体信息出发,在基于连通域的版面分割算法上增加了字区域扩展部分,提高了连通阈值的准确度,从而使后续的连通域形成和文本块的分割效果都有所提高,减少了阈值分析错误导致的连通错误的情况。通过试验证明该算法对于目前的各种类型的文档图像处理效果都优于原有算法的处理效果。 在文档版面理解部分,本文提出了一种基于层次规则的文档图像理解算法。以图像中的直线或较大空白间隔等作为文档排版中的逻辑区域的标识来对文档图像进行层次切分,将文档图像逐层分割成多个独立的逻辑区域,以去除不同逻辑区域之间的逻辑误差,提高文本理解的准确性。通过试验证明,该算法对于多种版面都有较好的逻辑理解效果。但对于特别复杂的文档图像,理解精度仍需要进一步提高。